Lo que sigue nace de una consultoría operacional con un cliente donde lideré un proyecto de transformación desarrollado junto a un partner tecnológico. Mientras ese equipo estuvo a cargo de la implementación del WMS y sus integraciones, nosotros lideramos el diagnóstico, el rediseño de procesos, la lógica de planificación y la coordinación del proyecto. Caso real adaptado y anonimizado; ciertos antecedentes operacionales fueron modificados o agregados para resguardar la confidencialidad comercial. También por resguardo de datos personales conforme a la Ley N.º 21.719, que entra en vigencia en diciembre de 2026. Bajo esas condiciones el cliente autorizó la publicación de este caso.
Estuvimos desarrollando una asesoría con una operación de e-commerce y delivery de pizzas, específicamente enfocados en su logística de perecederos y preparación de masa. Esta sección estaba en una fase de crecimiento acelerado y tenía un problema que al principio nos costó muchísimo identificar.
Para dimensionar el cuello de botella, ellos administraban un catálogo de 60 SKUs críticos de alta rotación para soportar un flujo base de 100 pedidos diarios de domingo a jueves, que saltaba violentamente a 250 órdenes los viernes y sábados.
Tenían métricas de merma en insumos que eran extraordinariamente bajas, de las más bajas que nos ha tocado ver. Pero la realidad, es que recibían muchas quejas por pedidos cancelados y tiempos de entrega tardíos… eso si, concentrados exclusivamente los fines de semana. La operación celebraba que eran muy eficientes en la gestión de la mermas, pero se lamentaban por las ventas que no capturaban el viernes por la noche.
Lo que descubrimos bastante rápido es que el equipo de cocina y su ritmo de trabajo lo hacían con bastante precisión. El error residía principalmente en que los estábamos obligando a optimizar el indicador equivocado [1].
El costo de una venta perdida a las 21:00 hrs (margen no capturado más el costo de recuperar a ese cliente frustrado) resulta casi siempre significativamente mayor que el costo de botar un bollo de masa sobre-fermentada o un kilo de vegetales. Probablemente nadie en la operación estaba mirando ese número.
A lo anterior, voy a intentar lograr condensar como trabajamos para transformar esta operación en 3 fases. Una de las cosas que hicimos fue cambiar la intuición que tenía el sistema por reglas, por ejemplo, hoy cada lote de masa tiene vencimiento estricto en sistema y el volumen de preparación se rige exclusivamente al margen calculado.
Lo que encontramos al auditar la operación
Al comenzar a revisar cómo funcionaba la operación encontramos que en este tipo de negocios es bastante común, toda la gestión de compras y de la cámara de frío recaía en dos personas con un par de experiencia. Estas personas dependían exclusivamente de libretas y hojas de cálculo propias.
Esa forma de trabajar (basada principalmente en lo que recordaban estas personas), era insostenible a largo plazo. Ningún software gestionaba ese proceso previo a la venta.
Sin uno miraba te daba la sensación de que funcionaba (y en cierto modo funcionaba), pero sobre una base muy frágil. Identificamos 4 problemas estructurales que estaban frenando el negocio,
Para empezar, el sistema entero dependía de sólo estas dos personas. Si una se enfermaba o renunciaba, el cálculo de cuánta masa preparar el jueves para cubrir el sábado tambaleaba. Teníamos el clásico problemón del conocimiento tácito e intransferible.
Luego, el equipo se medía (formal o informalmente) por la merma.
El objetivo que tenían era que «que no se bote comida». Precisamente ese objetivo los llevaba a preparar masa y pedir insumos de forma conservadora. Con ello aseguraban usar el 100%, pero sacrificaban decenas de ventas de fin de semana. Obviamente esas ventas nunca llegaron a concretarse porque les faltaba materia prima.
Otro problema era la falta absoluta de visibilidad del inventario en proceso. Sin un WMS implementado a la producción, era difícil saber con precisión cuánta masa en fermentación (ej. masa en fermentación de 48 hrs) había ni cuándo llegaba a su punto óptimo. Eso no permitía tomar decisiones, como lanzar una promoción flash para rotar inventario a punto de vencer.
Eso tenía consecuencias en la pérdida de confianza del cliente. Si te quedas sin mozzarella un viernes significa perder esos ingresos por venta inmediatamente. Peor aún, espantas para siempre a ese comprador recurrente. Cliente que pide pizza y se la cancelan a los 20 minutos, es cliente probablemente se va a la competencia.
Fase 1: construir una única fuente de verdad
El paso inicial era el más básico que debíamos desarrolla, exigir visibilidad absoluta del inventario en cámara frío. Antes de cualquier optimización, necesitábamos datos confiables de los insumos.
Implementamos un WMS ligero con un módulo de forecasting integrado, provisto por un partner especializado con el cual trabajamos. En este punto, toda la gestión migró desde las libretas hacia este sistema centralizado. Obviamente fue una migración con cierta reticencia inicial en la cocina, algo absolutamente normal pero inevitable.
El segundo paso fue rediseñar el proceso de recepción y preparación. En una pizzería, la masa y los lácteos son críticos. En este punto implementamos gestión por lotes, es decir, al recibir mercancía o al bolear la masa, se registra obligatoriamente la fecha y hora de vencimiento/óptimo.
Aquí la gestión evolucionó desde el concepto genérico de «mozzarella» hacia el control de «mozzarella, lote X, vence en 7 días» y «bollos de masa madurada, lote Y, límite 72 horas».
Pero obviamente el software no te puede frenar las leyes de la física. La masa es un producto vivo [2].
Así que tuvimos que subordinar el escaneo del sistema a la física del cuarto frío, lo que hicimos fue implementar un apilamiento cruzado (cross-stacking para los puristas) estricto de las bandejas para forzar el enfriamiento de los bollos antes de que el WMS iniciara la cuenta regresiva de maduración.
El tercer cambio fue reemplazar FIFO (primero en entrar, primero en salir) por FEFO (primero en caducar, primero en salir), la regla de oro de los perecibles.
Esto se implementó con pantallas en la zona de preparación, es decir, cuando entra un pedido, el sistema ahora le indica al operario exactamente de qué bandeja tomar la masa con la fecha de maduración más próxima. Para asegurar la disciplina, implementamos un poka-yoke por medio de un escaneo rápido que bloquea la comanda si se intenta usar un lote incorrecto. La rotación correcta quedó sistematizada.
Fase 2: cuánto preparar y cuándo comprar
Una vez que tuvimos hartos datos confiables pudimos construir el motor de decisión. Esta fue la conversación más importante que tuvimos con los gerentes durante todo este proyecto.
Le presentamos el modelo newsvendor, que es el estándar para operaciones con vida útil muy corta.
Lo bueno de este modelo es que te resuelve el dilema central de la pizzería: si preparo masa de más asumo merma; si preparo de menos, apago las apps de delivery el sábado a las 21:00 hrs.
El modelo define el punto donde la rentabilidad total esperada es máxima.
El modelo trabaja con dos costos:
Primero el Co (costo de exceso de inventario – overstocking): que es el costo de los insumos de una pizza que no se vende (harina, levadura, etc., que es bajísimo).
Segundo el Cu (costo de quiebre de inventario – understocking): el margen que se pierde por no tener la masa lista para vender esa pizza el fin de semana.
Y el ratio crítico (CR) que determina el nivel de servicio óptimo:
CR = Cu / (Cu + Co)
Para fines de decisión gerencial aquí utilizamos el modelo newsvendor clásico donde asumimos el costo de sobreproducción (Co) como pérdida total.
Esto por su puesto constituye una simplificación. Porque en realidad parte de esa masa se rescata al día siguiente disminuyendo su precio o transformándola.
Calcular el valor exacto de salvar masa nos añadía una complejidad que detenía la toma de decisiones. Por ello, optamos por castigar el Co al máximo para forzar un sesgo conservador hacia la sobre-preparación, validando después que el error de estimación no distorsionaba el óptimo operativo que se buscaba.
Cuando la gerencia vio esta desproporción entre el costo marginal de botar un bollo de masa (Co) frente al alto margen que dejaba vender una pizza familiar (Cu), comprendieron que debían preparar mucha más cantidad para cubrir los pecks del fin de semana. Con eso quedó cero espacio para interpretaciones miedosas que pudiesen salir de la cocina.
Además, cuando se incorpora el costo de lealtad del cliente (la pérdida de recurrencia que genera cancelar un pedido de viernes o sábado por la noche) el ratio sube de forma importante. El modelo recomienda sistemáticamente sobre-preparar insumos baratos para asegurar los ingresos de alto margen.
Para alimentar el modelo, aprovechamos el módulo de ML del WMS y lo personalizamos con las variables críticas, como el clima (la lluvia es oro para el delivery) o partidos de fútbol importantes. El módulo este ahora genera una distribución de probabilidad de demanda y les ayuda a determinar cuántos kilos de masa deben entrar a fermentación los días miércoles.
Ahora, esta implementación requirió algunos ajustes. En la segunda semana de piloto el modelo falló e ignoró un frente de lluvias de fin de semana y proyectó una demanda plana de fin de mes; lamentablemente nos quedamos sin masa a las 19:30 hrs y tuvimos que apretar el botón de apagado. Se perdieron muchos pedidos garantizados [3].
En este punto tuvimos que entrar al backend donde inyectamos mayor peso a la variable climática para delivery y forzar un buffer de seguridad en la predicción algorítmica antes de soltarlo en automático. Un caso típico en que la teoría aguanta mucho, pero en la cocina el modelo requiere calibración ruda y constante.
Por otro lado, el modelo recomienda sobre-preparar, pero un sistema sin techo genera riesgos de cola gruesa como diría Taleb.
Así que le establecimos un límite de falla segura (fail-safe nuevamente para los puristas) es decir, si la merma que había sido proyectada superaba el 6% del costo de ventas de toda la jornada, el sistema automaticamente le ponía un tapón a la preparación adicional y a la vez forzaba un ajuste a la baja del menú en el front-end, prefiriendo perder unas ventas chicas antes que incurrir en un desperdicio.
Fase 3: conectar el sistema al sistema digital
Una vez que logramos tener los insumos controlados y toda la planificación de masa funcionando, el último paso fue que conectamos el producción con las apps y el e-commerce.
Al hacer del WMS la fuente única de verdad para el front-end, juntamos lo físico con lo digital. Si la cámara detectaba cero bollos, el botón de comprar se desactivaba. Pero el precio de esto fue que creamos un nuevo punto único de fallo, si el WMS se caía, las ventas se iban al suelo.
Para cubrirnos de esta vulnerabilidad programamos un modo de emergencia, si el WMS se demoraba más de tres segundos en responder, el sistema se saltaba toda validación y desactivaba el bloqueo automático, así dejaba activo un colchón de ventas manuales que el gerente de turno ya tenía firmado.
Lo segundo que hicimos fue vincular las promociones al inventario. Con la trazabilidad por lote operativa creamos una regla para mover el inventario próximo a vencer. Por ejemplo, un topping a 24 horas de vencer activaba una oferta automática. Aquí chocamos con dos límites sistémicos que no los teníamos considerados.
El primero, la clásica percepción de marca y el ofrecer «doble porción por liquidación». Y sabemos de antemano que esto entrena al cliente a esperar sólo los descuentos y que le hace sospechar de la frescura de los producto (yo también pienso eso). Para esto reconfiguramos la salida, le dimos una vuelta… el sistema usaba ese inventario para activar ofertas exclusivas para clientes de alta recurrencia bajo el concepto de «beneficio VIP», con eso pudimos transformar un pasivo logístico en una herramienta de fidelización sin dañar el posicionamiento.
El segundo límite era puramente operativo. Inyectar demanda adicional (y más compleja por la doble porción y justo cuando el sistema está bajo mayor estrés), satura la línea de armado de pizzas.
Para esto programamos un interruptor. La promoción solo se va a activar si el WMS detecta que el horno y la makeline mantienen una holgura operativa superior al 15% en tiempo real (ese porcentaje fue medido y aceptado).
Si la capacidad está comprometida, la prioridad es proteger el throughput base; la merma que podría generarse se asume como un costo tolerable. El marketing no puede devorar a la operación.
Lo tercero fue erradicar los «bomberazos» de los jueves con los proveedores de queso y cajas por ejemplo. Importante señalar que la cadena ya estaba trabajando en una inteligente integración comercial.
Antes, los proveedores recibían pedidos reactivos. Una llamada de urgencia el jueves al mediodía porque venía un clásico del campeonato nacional y faltaban cajas. Esa variabilidad generaba que las entregas fueran inconsistentes.
Empezamos a compartir con estos proveedores críticos una ventana de visibilidad de aproximadamente 3 semanas basada en el modelo de ML.
Tuvimos que demostrarles con los primeros despachos que lo nuestro iba en serio. Una vez que «agarraron la mano», los pedidos ya eran casi un trámite. Solo un «ok» a las proyecciones que ellos ya tenían hechas. El proveedor, por fin, pudo agarrar ritmo porque tenía un cliente que no les daba sorpresas y hasta el momento, la empresa no ha tenido problemas con sus insumos claves el fin de semana.
Qué obtuvimos
Ya con todo lo anterior corrimos un piloto de seis semanas. Los resultados los comparamos contra el período equivalente del año anterior.
La empresa pasó de promediar 28 tickets por stockout cada fin de semana a registrar menos de 4 incidentes críticos. Efectivamente la merma de cocina subió, pasó de un 2% a cerca de un 4.5% sobre el costo de ventas, pero ese fue el precio de tener stock suficiente para no fallar en los pecks de demanda.
La rentabilidad neta del fin de semana mostró una variación positiva del 18,2% frente al período equivalente del año anterior.
Nobleza obliga, no puedo afirmar que todo el aumento venga del proyecto, porque seguramente hubo otros factores. Pero la caída de los stockouts fue considerable, por lo que me es difícil no atribuirle buena parte del resultado.
Ojo con la caída de los tickets explosivos (de 28 a menos de 4, una locura), pero eso es atribuible al WMS. Y aunque sea un indicio, nos da la pauta para mantener que el principal motor de ese cambio fue haber recuperado esa demanda que se nos iba.
Elretorno de inversión de la implementación del sistema fue de apenas ocho semanas, financiado enteramente por el margen rescatado de estas ventas nocturnas.
Este aumento de volumen fue posible gracias a una auditoría previa que realizamos donde aplicamos teoría de restricciones sobre la línea caliente.
Para absorber el peack de 250 órdenes en la ventana crítica de 4 nocturnas, el «takt time» exigía la salida de una pizza cada 57 segundos. El throughput cronometrado del horno de cinta y la makeline arrojó un ciclo sostenido de 24 segundos por unidad (150 pizzas/hora).
Físicamente, la capacidad instalada estaba holgada para poder duplicar el flujo; la restricción de verdad estaba solo en el faltante de inventario intermedio. Si lo miramos desde la óptica de la teoría de restricciones, eso de aumentar el inventario intermedio suena a contradicción, dado que el inventario generalmente suele ser un amortiguador que esconde las variabilidades del sistema
Pero la auditoría que realizamos demostró que la restricción real era una restricción de política, en buen chileno, el miedo a la merma. Cuando ajustamos la operación al nuevo ratio crítico, el inventario de masa se transformó en un buffer que calculamos al detalle, hecho justo para proteger la producción de esa política tan restrictiva.
Al eliminar el quiebre de masa, la restricción del sistema migró inmediatamente. Con 250 órdenes y masa de sobra, el nuevo cuello de botella pasó a ser la estación de toppings y el empaquetado.
Tuvimos que aplicar un nuevo ciclo de análisis para reconfigurar la makeline y asegurar que el horno no se quedara parado esperando por los ingredientes extra. La optimización en realidad ya era una película sobre identificar y subordinar de nuevas restricciones.
El equipo abandonó la libreta para asumir la supervisión de las excepciones del algoritmo y el control estricto de los tiempos de fermentación. Por lo anterior las horas-hombre se reorientaron hacia la protección real de la caja, como negociar descuentos por volumen de insumos y estandarizar la calidad.
En el fondo dejamos de depender de la memoria de dos personas para empezar a depender de la calidad de los datos.
El sistema resultó imbatible para manejar el estado estable del viernes por la noche, pero el precio que se pagó es que la operación perdió la capacidad de los trabajadores para improvisar sobre la marcha cuando algo inesperado sucede.
Hoy, gestionar esto significa tener gente preparada para reaccionar cuando el modelo se desvíe. Al final, los humanos están ahí para vigilar los casos raros que un algoritmo no puede manejar.
Notas
[1] Una ilusión común que vemos en la gestión es asumir que las métricas que diseñan las organizaciones reflejan la realidad de forma pasiva. Pero en la práctica las métricas te dictan las reglas del juego. Si tú le dices a un equipo que su éxito depende de no tirar alimentos a la basura, estás diseñando su comportamiento. En este caso, la cocina ejecutaba de manera impecable la estrategia que le habían exigido.
[2] El problema del software es que cuenta el tiempo como si las cosas fuesen instantáneas pero la masa tarda en enfriarse. Cuando se escanea un bollo ese acto no hace per se que se enfríe más rápido, por eso tuvimos que apilar las bandejas de forma que el aire circulara bien y la temperatura bajara. Solo en ese entonces el sistema podía empezar a contar la maduración.
[3] Algunos algoritmos que se utilizan en la predicción generalmente suelen confiarse demasiado de lo que ya pasó. Si aparece un temporal que era inesperado, el modelo no tiene forma de saber que la gente va a pedir más delivery; simplemente lo que hace es extrapolar los datos de días normales. Ahí nos dimos cuenta de que había que ponerle más ojo al clima. Ahí nos dimos cuenta de que había que ponerle más ojo al clima. Con eso, el sistema empezó a reaccionar a los cambios bruscos, en vez de quedarse pegado repitiendo el promedio de siempre